منابع مقالات علمی : 
ادغام پویای ماشین های مجازی در مراکز داده- قسمت ۴

منابع مقالات علمی : ادغام پویای ماشین های مجازی در مراکز داده- قسمت ۴

۱- سیاست میانه انحراف مطلق[۲۷]
۲- سیاست رگرسیون محلی[۲۸]
۳- سیاست رگرسیون محلی قوی[۲۹]
۴- سیاست بازه میان چارکی[۳۰].
همگی سیاست ها بر اساس داده های جمع آوری شده از میزان بهرهوری پردازنده در طول حیات ماشینهای مجازی، استفاده کرده و با تحلیل آماری از این داده ها مقدار آستانه را تنظیم می کنند.
در راستای کاهش بار از روی میزبان های فرابار، سه سیاست برای انتخاب ماشین های مجازی ارائه شده است. (۱) سیاست کمترین زمان مهاجرت[۳۱] که ماشینی را انتخاب می کند که بر اساس میزان حافظه و پهنای باند شبکه کمترین زمان را در مهاجرت داشته باشد؛ (۲) سیاست انتخاب تصادفی[۳۲]؛ (۳) سیاست بیشترین همبستگی[۳۳] که در آن با محاسبه همبستگی برای تمامی ماشین های مجازی موجود بر روی میزبان آن ماشینی انتخاب میگردد؛ که بیشترین همبستگی در بهره وری از پردازنده را در کنار دیگر ماشینها داشته باشد. برای جایگذاری ماشینهای مجازی نیز از الگوریتم PABFD[34] استفاده شده است.
برای تشخیص میزبان فروبار نیز به این ترتیب عمل میشود که میزبانی که کمترین میزان بهرهوری از پردازنده را دارد انتخاب شده و پس از انتقال تمامی ماشینهای مجازی موجود بر روی آن به میزبانهای دیگر بخواب میرود و این روند تا جایی که امکان پذیر باشد تکرار میشود.
نتایج شبیهسازی حاصل از ترکیب الگوریتمهای مختلف نشان داد که الگوریتم LR برای تشخیص میزبان فرابار و MMT برای انتخاب ماشین مجازی بهترین نتیجه را داشتهاند.
مشکل اساسی که در این روش و روشهای مشابه آن وجود دارد تعداد بسیار مهاجرت ماشین های مجازی میباشد که اغلب مهاجرتها بیهوده صورت میگیرند. این واقعیت با ارزیابی و مقایسه نتایج این مقاله با راهکارهای پیشنهادی در این رساله در بخش نتایج نشان داده شده است؛ به طور قابل توجهی هم میزان مصرف انرژی و هم میزان تخطی از توافقنامه سطح سرویس در راهکار پیشنهادی در این رساله کاهش داشته است.
Horri و همکاران [۴۳] در سال ۲۰۱۴ روشی نوین به منظور مدیریت منابع سبز را ارائه دادند. در این مقاله روشی ارائه شده که بتواند یک تعامل میان میزان مصرف انرژی و میزان تخطی از توافقات سطح سرویس ایجاد کند که با توجه به نیاز فراهم کننده میتواند در زمانهایی از میزان مصرف انرژی کمتری توسط مرکز داده بهره برده که البته منجر به تخطی از توافقات سطح سرویس به میزان بیشتری خواهد شد؛ همچنین میتوان با انتخاب پارامترهای ارائه شده در کار به شکلی کار کرد که میزان تخطی از توافقات سطح سرویس را به میزان قابل توجهی کاهش داد ولی در ازای آن انرژی به همان نسبت افزایش پیدا خواهد کرد.
در کار ارائه شده دو الگوریتم به یافتن میزبانان فروبار و الگوریتم دیگری به منظور انتخاب ماشینهای میزبان مجازی به عنوان مقصد ماشین مجازی ارائه شده است. در الگوریتم ارائه شده به منظور انتخاب مقصد برای ماشینهای مجازی از میزان شباهت عملکرد میزبانان با ماشین مجازی مذکور استفاده میشود. از همبستگی به منظور میزان وابستگی دو مولفه فوق استفاده شده به شکلی که میزبانی با حداقل میزان شباهت به عملکرد ماشین مجازی مذکور، به عنوان مقصد انتخاب میشود.
الگوریتم ارائه شده به منظور شناسایی میزبانان فروبار علاوه بر استفاده از بهرهوری پردازنده میزبان از تعداد ماشینهای مجازی قرار گرفته بر روی میزبان مذکور نیز به عنوان مولفهای موثر در ادامه سیاست کاری میزبان استفاده میکند. بدین شکل که بهرهوری میزبان و تعداد ماشینهای مجازی مشمول آن هر کدام دارای یک وزن هستند که این وزن با کمک الگوریتم تپه نوردی بهینه شده است.
روش ارائه شده دارای اهمیت به سزایی است بدین دلیل که توانسته است الگوریتمی را ارائه دهد که با توجه به انتظار فراهم کننده و سیاستهای وی میتوان میزان بهای میزان مصرف انرژی و یا کیفیت کارایی ارائه سرویس به کاربران را به صورت نسب تعیین کرد. اما روش فوقالذکر هنوز از بهرهوری پردازنده به عنوان تنها معیار ترکیب ماشینهای مجازی بر روی میزبانان استفاده میکند.
پشتیبانی نیازمندیهای امنیتی برای مدیریت منابع در محیط رایانش ابری
Jhawar و همکارانش[۳۲] در سال ۲۰۱۲ صورت مسئله مدیریت منابع را توسعه و فرضیات بیشتری از مدیریت منابع را مورد تحلیل، بررسی و استفاده قرار دادند. درکارهای قبلی بهرهوری پردازنده به عنوان تنها پارامتر تاثیرگذار در نظر گرفته میشد و مواردی چون حافظه، هزینه انتقال داده در شبکه و … لحاظ نشدهاند. نویسندگان برای رسیدن به این هدف سه پارامتر جایگذاری در سطوح سراسری، زیرساخت و برنامه برای ماشینهای مجازی را در نظر گرفتهاند. در سطح زیرساخت دو پارامتر Forbid و Count تعریف شده اند که به ترتیب ممنوعیت جایگذاری ماشینهای مجازی خاص، روی میزبانان خاص و دیگری حداکثر تعداد ماشینهای مجازی دارای مجوز قرار گیری بر روی میزبان خاص را مشخص می کند. در سطح برنامه نیز، از سه پارامتر محدودیت، توزیع و تأخیر استفاده شده است. محدودیت، محدودیت هایی را برای اجرای ماشینهای مجازی
خاص بر روی میزبانهای خاص تعریف میکند. توزیع، محدودیت هایی برای عدم قرارگیری دوماشین مجازی خاص درون یک میزبان به صورت همزمان تعریف میکند و در نهایت تأخیر، حداکثر میزان تاخیر ارتباط بین دو ماشین مجازی خاص را مشخص می کند.
در این کار انواع مختلفی از نیازمندیها توسط نویسندگان تعریف شده و از یک روش ابتکاری جهت ارائه ماشینهای مجازی بر روی میزبانان استفاده میشود. روش مذکور به ادعای نویسندگان، اولین گام به سمت در نظر گرفتن جامع نیازمندی های امنیتی در سناریو محیط های رایانش ابری است[۳۲].
کار ارائه شده هیچ پیاده سازی عملی را نداشته و تنها در سطح انتزاعی اقدام به تعریف محدودیت و اصولی برای رعایت اصول امنیتی ماشینهای مجازی در محیط رایانش ابری انجام شده است.
زمانبند شبکه آگاه و انرژی کارای مراکز داده
Kliazovich و همکاران [۳۴] در سال ۲۰۱۳ به مسئله مدیریت انرژی در مراکز داده از دیدگاه دیگری را مطرح کردند. آنها خاطر نشان کردند که انرژی مصرفی مراکز داده نه تنها شامل انرژی مصرفی توسط میزبانان است؛ بلکه بخش قابل توجهی از انرژی مصرفی مراکز داده توسط تجهیزات شبکه بوده است. بدین منظور جهت مدیریت انرژی در مرکز داده میبایست میزان توان مصرفی این تجهیزات را مورد توجه قرار داد. علاوه بر این هر مرکز داده میتواند شامل ساختار و توپولوژی متفاوتی باشد به شکلی که معماری مرکز داده مورد نظر در استراتژیهای مدیریت انرژی کارای جریان محاسباتی درون آن بسیار اهمیت دارد. بنابراین علاوه بر مدیریت نرم افزاری جریانهای داده، معماری سخت افزاری نیز در میزان عملکرد بهینه آن در مصرف انرژی بسیار حائر اهمیت است و حتی استراتژی نرم افزاری آگاه از نوع معماری سخت افزاری مرکز داده نیز میتواند در بهبود عملکرد انرژی کارا مفید فایده باشد.
نویسندگان شبیه سازی را تحت عنوان Green Cloud Simulator ارائه دادند که میزان انرژی مصرفی تجهیزات شبکه (سوئیچها) را میتواند محاسبه و ارزیابی نماید.
زمانبند قفسه آگاه در مراکز داده
در سال ۲۰۱۳ اولین روش هدفمند مدیریت انرژی تجهیزات شبکه مراکز داده توسط Patil و همکاران ارائه شد[۳۶]. نویسندگان با الهام از دو کار ارائه شده قبلی و علم به توان کاهش مصرف انرژی بیشتر با مدیریت تجهیزات شبکهای مانند سوئیچ نسبت به مدیریت پویای ماشینهای مجازی و خاموش سازی ماشینهای بیکار روشی را جهت بهبود جریان کاری به منظور استفاده بهینه از تعداد سوئیچهای مورد استفاده ارائه دادند.
نویسندگان به منظور اثبات مدعای خود با تعریف یک مدل انتزاعی از یک مرکز داده با کمک شبیه سازی Green Cloud Simulator اقدام به بررسی میزان مصرف انرژی الگوریتم خود کردهاند و تمامی اجزای یک مرکز داده از جمله قفسهها، ماژولها و سوئیچها را در نظر گرفتهاند. الگوریتم ارائه شده به منظور اختصاص میزبانی به کارها از یک الگوریتم بسته بندی ساده استفاده شده است بدین شکل که سعی در استفاده از حداقل تعداد قفسه شود. بنابراین برای این منظور قفسهها بر اساس میزان بهرهوری و به صورت نزولی مرتب شده و سعی در جایگذاری کارها درون میزبان با بیشترین بهرهوری ممکن میشود. اما در کار ارائه شده همانند کار ارائه شده قبلی عدم دید منطقی به مدیریت پویای ماشینهای مجازی بر اساس معماری مرکز داده میتوان اشاره کرد و علاوه بر مورد فوق عدم بررسی مناسب میزان تخطی از توافقات سطح سرویس کارهای ارائه شده و عدم بررسی روش ارائه شده در مقیاس مرکز دادهی بزرگ میتوان اشاره کرد.
تمامی روشهای ارائه شده تاکنون از بهرهوری پردازنده به عنوان تنها پارامتر به منظور مدیریت میزبانان و VMها به منظور کاهش مصرف انرژی و کاهش میزان تخطی از توافقات سطح سرویس استفاده کردهاند. اما نکته حائز اهمیت موجود این است که در مراکز داده واقعی مدیریت VMها و نحوه قرارگیری آنها بر روی میزبانان تنها و بدون در نظر گرفتن سایر ویژگیهای VMها و میزبانان و سایر سخت افزارها امکان پذیر نمیباشد و این مسئله خود باعث شده که روشهای ارائه شده تاکنون نتوانند در پیاده سازی و استفاده واقعی چندان مطلوب و کارا باشند. از سوی دیگر معماری مراکز داده و نحوه چینش تجهیزات درون آن یکی مقولههای مهم و اساسی موثر در نحوه بازدهی آنها به حساب میآید که در هیچ یک از کارهای مدیریت انرژی آگاه منابع در فرضیه حل مسئله مورد استفاده قرار گرفته نشدهاند.
فصل سوم الگوریتمهای پیشنهادی
 
پیش گفتار
در این فصل به شرح الگوریتم نوین ارائه شده به منظور مدیریت پویای ماشینهای مجازی خواهیم پرداخت. پژوهش انجام شده شامل دو بخش متفاوت و در یک راستا میباشد. در کار اول تلاش برای کاهش مصرف انرژی با در نظر گرفتن توافقات سطح سرویس و کاهش میزان تخطی از آن، ارائه شده است که شامل سه بخش میباشد. در کار دوم، با بهره گیری از دیدگاهی کلانتر، اقدام به ارائه نمونهای بهبود یافته از شبیهساز CloudSim کرده ایم؛ به شکلی که شبیهساز علاوه بر مدیریت میزبانان درون مراکز داده، اقدام به مدیریت منابع و سایر تجهیزات مراکز داده(از قبیل سوئیچ ها) و پارامترهای ارزیابی آنها میکند.
ترکیب پویای ماشینهای مجازی به منظورکاهش مصرف انرژی با در نظر گرفتن توافقات سطح سرویس
همانطور در فصل گذشته گفته شد، در کار ارائه شده توسط Buyya و همکاران[۲۸] به منظور انجام محاسبات سبز، روشی که شامل چهار بخش زیر است، ارائه شده است:
۱) شناسایی میزبانان فرابار
۲) شناسایی میزبانان فروبار
۳)
انتخاب ماشینهای مجازی از میزبانان فرابار و
۴) جایگذاری ماشینهای انتخاب شده
شکل ۳-۱ نمودار جریان[۳۵]روش ارائه شده را مشاهده میکنید.
در چندین سال اخیر الگوریتمهای متعددی [۳۹]،[۴۰]،[۴۱] ،[۴۲] و [۴۳] با سیاستهای مختلف به منظور کاهش مصرف انرژی و تبعیت از توافقات سطح سرویس ارائه شده است. اما همه روشهای ارائه شده تا پیش از این روش تنها بر اساس میزان بهرهوری پردازنده میزبانان و میزان بهرهوری ماشینهای مجازی اقدام به تصمیم گیری در هر چهار بخش فوق الذکر کردهاند.
ایراد بسیار بزرگی به همه کارهای ارائه شده توسط شبیه ساز تا بدین روز وارد است چرا که با توجه به دریافت نتایج مطلوب توسط برخی از الگوریتمهای ارائه شده در محیط شبیه ساز به هیچ وجه تضمینی به منظور دریافت نتایجی یکسان، درون محیط واقعی رایانش ابری نخواهد بود؛ چرا که در محیط واقعی علاوه بر بهره وری پردازنده، پارامترهای دیگری از قبیل بهرهوری حافظه اصلی، دیسک و بار شبکه نیز بسیار حائز اهمیت هستند. با توجه به وجود نیاز آشکار به ارزیابی و تصمیم گیری بر اساس برخی از این پارامترها در کارهای پیشین ارائه شده با ساده سازی صورت مسئله تلاش در حل هر چه سادهتر مسئله شده است.
شکل ۳-۱ نمودار جریان روش ارائه شده
از دلایل ساده سازی مسئله میتوان به دو نکته حائز اهمیت اشاره کرد. اولین دلیل آنها برخط بودن تصمیم گیریها در مدیریت منابع، نیاز به تصمیم گیری هر چه سریع تر است. دومین دلیل نیز که تکمیل کننده دلیل اول است و به منظور کاهش زمان اجرا و ساده سازی فرضیات مسئله، میزان بهرهوری حافظه اصلی را وابسته به میزان بهرهوری پردازنده در نظر گرفتهاند که در ادامه خواهیم دید که این فرضیه از ریشه نادرست است و کاملا به نوع برنامههای در حال اجرای درون ماشینهای مجازی وابسته است و این برنامهها نیز در زمان اجرا کاملا متغیر خواهند بود. به عبارتی دیگر فرضیه پیشین تنها در تعداد محدودی از حالات صحیح خواهد بود؛ هر چند در همین حالات نیز ممکن است همان برنامه ها در دورههای بعدی اجرا، سیاست و عملکرد متفاوتی را از خود نشان دهند.
به منظور اثبات مدعای خود اقدام به بررسی بارکاری استاندارد استفاده شده در همه کارهای پیشین میپردازیم. در همه کارهای پیشین ارائه شده از بارکاری comon [51] استفاده شده است. این بارکاری شامل اطلاعات زیادی از ماشینهای مجازی و میزبانان مختلف در طول ۲۴ ساعت به ازای هر ۵ دقیقه میباشد. اما همانطور که گفته شد در کارهای پیشین تنها از بهرهوری پردازنده به منظور ارزیابی استفاده شده است. اما این عمل یک نقیصه به حساب میآید؛ چراکه احتمال انتخاب مقصدی برای ماشین مجازی خاصی با تصمیم گیری بر اساس بهرهوری پردازنده میتواند منجر به خطای اجرای ماشین مجازی مورد نظر شود به شکلی که ظرفیت حافظه اصلی میزبان مقصدِ ماشین مجازی مذکور، به منظور جایگذاری، کافی نباشد و در نتیجه منجر به خطای توافق سطح سرویس و توقف اجرای برنامه مشتری مذکور میشود.

منبع فایل کامل این پایان نامه این سایت pipaf.ir است